两名美国高中生，在UCLA一位博士后的辅导下，借助Claude Opus 5和ChatGPT-5.6 Sol两款大模型，破解了菲尔兹奖得主许埈珥研究过、却未能攻克的洛伦兹多项式难题，论文已上传学术预印本平台。这是腾讯新闻9月中旬报道的真事。
就在这条新闻前后，知乎热榜上挂着一个更扎心的问题：「AI已经有解决千禧年数学难题的能力，在读基础数学博士应该怎么办？」
问题背后是有事实支撑的。9月8日，OpenAI宣布调动约1万个并发AI智能体，用下一代大模型跑了88小时，攻克纳维-斯托克斯方程的存在性与光滑性问题——这道题困扰学界近90年，是克雷数学研究所2000年列出的七大千禧年大奖难题之一，悬赏100万美元。此后OpenAI总裁Greg Brockman又公开证实，在另一道千禧年难题上也取得了重大进展。
我把这一周科技日报、腾讯新闻、凤凰网几家的报道和那封联名公开信的内容挨个翻了一遍。看完之后我想说：热榜上这个问题的前提，可能需要先修一修。
最先拉响警报的，恰恰是数学界的塔尖
9月11日，陶哲轩、邓煜、彼得·舒尔茨等25位菲尔兹奖得主联合发布公开信，题目就叫《人工智能在数学中的严重错位》。
评论区第一反应是"AI砸了数学家饭碗，所以数学家抵制AI"。但把信的内容读完，事实恰恰相反——这群全世界最懂数学的人并不反对AI参与数学研究，甚至承认AI可能加速研究。真正让他们警惕的，是AI公司把"解出名题"当成模型能力的成绩单：如果整个学科开始比拼解题速度，数学将被扭曲。
科技日报的评论把这层意思说得更透：就数学而言，提出问题和验证猜想的过程所形成的学术和思想价值，有时不低于一个举世皆惊的结论。答案之外，数学界还要有人把证明讲清楚、把新方法从前人的工作里分离出来、写进教材，让后来的学生能沿着路继续走——到这一步，答案才真正变成知识。
而现在的裂缝在于：答案的生成速度，开始跑在人类理解速度的前面。
对博士生来说，坏消息和好消息是同一个
回到知乎那个问题。坏消息很直白：以"算出答案"为核心竞争力的环节，AI确实做得更快。88小时对近90年，没法比。连高中生都能借大模型碰到前沿难题——上海人工智能实验室主任周伯文在浦江创新论坛上的判断是：问题越古老、越基础，AI的空间越大。
但好消息藏在同一组事实里。注意那个高中生案例的结构：不是"高中生被AI替代"，而是"高中生+博士后辅导+大模型"打赢了一道难题。工具被拉平了，稀缺的东西换了位置——换成知道哪个问题值得问、能判断AI给的证明哪里可疑、能把一个模糊的直觉变成可验证的猜想。
计算机科学家Larry Tesler有句话被反复引用：智能，就是机器还没有做到的事情。这条边界确实一直在后退。但边界后退的另一面是：每后退一次，人都被推着往"提出好问题、验证好答案"的方向挪一步——而这恰恰是博士训练的本体。读博读的从来不是"会做题"，是完整走过一遍"从没人问过的问题，到可以被检验的答案"的回路。AI把这个回路里体力活的部分接走了，回路本身反而更值钱了。
不只博士生，每个用AI的人都该做两件事
**把AI当陪练，别当代笔。**下次遇到难题，别直接问答案。先自己写出思路，再让AI扮演最挑剔的审稿人："找出这个推理里最薄弱的一步。"你保住的是试错回路，AI提供的是它最擅长的高强度反馈。这正是数学家们担心的反面——不是不让AI参与，而是不让AI替你思考。
**练一种"验证器思维"。**OpenAI那份证明之所以能站住，靠的是又花17个小时用Lean做了形式化验证——每一步都可被机器检查。普通人版本很简单：AI给你的任何重要结论，追一句"这个判断的依据是什么，怎么验证"。答不上来的，降级为参考；答得上来的，才进决策。会验证的人，才敢放心用AI的产能。
工具越强，从容的人反而越多——前提是你站在"提问和验证"这一侧，而不是"等答案"那一侧。我平时也把这类按场景配好的AI工具组合沉淀在 spark1.cn/tools/ 里，需要时直接翻。
本文素材综合自腾讯新闻、科技日报、凤凰网、36氪等公开报道。
💬 评论